Amazon SageMaker Studio er det første fullt integrerte utviklingsmiljøet (IDE) for maskinlæring (ML). Det gir et enkelt, nettbasert visuelt grensesnitt der du kan utføre alle ML-utviklingstrinn, inkludert å forberede data og bygge, trene og distribuere modeller.
Innen en Amazon SageMaker-domene, kan brukere klargjøre en personlig Amazon SageMaker Studio IDE-applikasjon, som kjører en gratis JupyterServer med innebygde integrasjoner for å undersøke Amazon SageMaker eksperimenter, orkestrere Amazon SageMaker-rørledninger, og mye mer. Brukere betaler kun for den fleksible datamaskinen på sine bærbare kjerner. Disse personlige applikasjonene monterer automatisk en respektive brukers private Amazon elastisk filsystem (Amazon EFS) hjemmekatalog slik at de kan holde kode, data og andre filer isolert fra andre brukere. Amazon SageMaker Studio støtter allerede deling av bærbare datamaskiner mellom private applikasjoner, men den asynkrone mekanismen kan bremse iterasjonsprosessen.
Nå med delte områder i Amazon SageMaker Studio, kan brukere organisere samarbeidende ML-tiltak og -initiativer ved å lage en delt IDE-applikasjon som brukere bruker med sin egen Amazon SageMaker-brukerprofil. Dataarbeidere som samarbeider i et delt rom får tilgang til et Amazon SageMaker Studio-miljø hvor de kan få tilgang til, lese, redigere og dele notatbøkene sine i sanntid, noe som gir dem den raskeste veien til å begynne å iterere med sine jevnaldrende om nye ideer. Dataarbeidere kan til og med samarbeide på den samme bærbare PC-en samtidig ved å bruke samhandlingsfunksjoner i sanntid. Notatboken angir hver samredigerende bruker med en annen markør som viser deres respektive brukerprofilnavn.
Delte områder i SageMaker Studio merker automatisk ressurser, for eksempel opplæringsjobber, prosesseringsjobber, eksperimenter, rørledninger og modellregisteroppføringer opprettet innenfor rammen av et arbeidsområde med deres respektive sagemaker:space-arn
. Plassen filtrerer disse ressursene i Amazon SageMaker Studio-brukergrensesnittet (UI), slik at brukerne bare blir presentert med SageMaker-eksperimenter, rørledninger og andre ressurser som er relevante for deres ML-arbeid.
Løsningsoversikt
Siden delte områder automatisk merker ressurser, kan administratorer enkelt overvåke kostnader knyttet til en ML-innsats og planlegge budsjetter ved hjelp av verktøy som f.eks. AWS-budsjetter og AWS Cost Explorer. Som administrator trenger du bare å legge ved en kostnadsfordelingsbrikke forum sagemaker:space-arn
.
Når det er fullført, kan du bruke AWS Cost Explorer til å identifisere hvor mye individuelle ML-prosjekter koster organisasjonen din.
Kom i gang med delte områder i Amazon SageMaker Studio
I denne delen vil vi analysere den typiske arbeidsflyten for å lage og bruke delte rom i Amazon SageMaker Studio.
Lag en delt plass i Amazon SageMaker Studio
Du kan bruke Amazon SageMaker-konsollen eller AWS kommandolinjegrensesnitt (AWS CLI) for å legge til støtte for mellomrom til et eksisterende domene. For den mest oppdaterte informasjonen, vennligst sjekk Opprett en delt plass. Delte områder fungerer bare med et JupyterLab 3 SageMaker Studio-bilde og for SageMaker-domener som bruker AWS Identity and Access Management (AWS IAM) autentisering.
Konsolloppretting
For å opprette et mellomrom innenfor et angitt Amazon SageMaker-domene, må du først angi en angitt plassstandardutførelsesrolle. Fra Domenedetaljer side, velg Domeneinnstillinger Fanen og velg Rediger. Deretter kan du angi en plassstandardutførelsesrolle, som bare trenger å fullføres én gang per domene, som vist i følgende diagram:
Deretter kan du gå til Romstyring fanen i domenet ditt og velg Opprett knappen, som vist i følgende diagram:
AWS CLI opprettelse
Du kan også angi en standard domeneplassutførelsesrolle fra AWS CLI. For å bestemme din regions JupyterLab3 bilde ARN, sjekk Angi en standard JupyterLab-versjon.
Når det er fullført for domenet ditt, kan du opprette en delt plass fra CLI.
Start en delt plass i Amazon SageMaker Studio
Brukere kan starte en delt plass ved å velge Start knappen ved siden av brukerprofilen deres i AWS-konsollen for deres Amazon SageMaker-domene.
Etter å ha valgt Mellomrom under Samarbeid-delen, velg deretter hvilket rom du vil lansere:
Alternativt kan brukere generere en forhåndssignert URL for å starte en plass gjennom AWS CLI:
Samarbeid i sanntid
Når Amazon SageMaker Studio delt plass IDE er lastet inn, kan brukere velge samarbeidspartnere fanen på venstre panel for å se hvilke brukere som aktivt jobber i rommet ditt og på hvilken bærbar PC. Hvis mer enn én person jobber på samme notatbok, vil du se en markør med den andre brukerens profilnavn der de redigerer:
I det følgende skjermbildet kan du se de forskjellige brukeropplevelsene for noen som redigerer og ser på den samme notatboken:
konklusjonen
I dette innlegget viste vi deg hvordan delte rom i SageMaker Studio legger til en sanntids samarbeidende IDE-opplevelse til Amazon SageMaker Studio. Automatisert merking hjelper brukere med å omfange og filtrere Amazon SageMaker-ressursene, som inkluderer: eksperimenter, rørledninger og modellregisteroppføringer for å maksimere brukerproduktiviteten. I tillegg kan administratorer bruke disse påførte kodene til å overvåke kostnadene knyttet til en gitt plass og angi passende budsjetter ved hjelp av AWS Cost Explorer og AWS Budgets.
Fremskynd teamets samarbeid i dag ved å sette opp delte områder i Amazon SageMaker Studio for dine spesifikke maskinlæringsoppgaver!
Om forfatterne
Sean Morgan er AI/ML Solutions Architect hos AWS. Han har erfaring innen halvleder- og akademisk forskningsfelt, og bruker sin erfaring til å hjelpe kundene med å nå sine mål på AWS. På fritiden er Sean en aktiv bidragsyter/vedlikeholder med åpen kildekode og er spesialinteressegruppeleder for TensorFlow-tillegg.
Han Zhang er senior programvareingeniør hos Amazon Web Services. Hun er en del av lanseringsteamet for Amazon SageMaker Notebooks og Amazon SageMaker Studio, og har fokusert på å bygge sikre maskinlæringsmiljøer for kunder. På fritiden liker hun å gå og gå på ski i Pacific Northwest.
Arkaprava De er senior programvareingeniør hos AWS. Han har vært hos Amazon i over 7 år og jobber for tiden med å forbedre Amazon SageMaker Studio IDE-opplevelsen. Du kan finne ham på Linkedin.
Kunal Jha er senior produktsjef i AWS. Han er fokusert på å bygge Amazon SageMaker Studio som den foretrukne IDE for alle ML-utviklingstrinn. På fritiden liker Kunal å gå på ski og utforske Stillehavet nordvest. Du kan finne ham på Linkedin.
- AI
- ai kunst
- ai art generator
- du har en robot
- Amazon Elastic File System (EFS)
- Amazon SageMaker
- kunstig intelligens
- sertifisering av kunstig intelligens
- kunstig intelligens i bankvirksomhet
- kunstig intelligens robot
- kunstig intelligens roboter
- programvare for kunstig intelligens
- AWS maskinlæring
- blockchain
- blockchain konferanse ai
- coingenius
- samtale kunstig intelligens
- kryptokonferanse ai
- dall sin
- dyp læring
- google det
- Middels (200)
- maskinlæring
- plato
- plato ai
- Platon Data Intelligence
- Platon spill
- PlatonData
- platogaming
- skala ai
- syntaks
- zephyrnet